大模型如何落地？怎么落地？成為今年科技領域的頭號主題。

在一個不為大多數人所知道的造字賽道中，這家清華創業公司——「圖形起源」悄然實現商業變現：

幫助字體公司降低80%成本，提速10倍以上。Canva可畫上最受歡迎的前100套中文字體，大部分都是用他們的算法生成的。

這個賽道足夠小也確實剛需，設計公司、字體公司苦版權費用久矣。

而他們憑借原本積累的圖形學與AI的技術優勢，實現了人工所不能及的效率和精度。

來看看他們是如何發現以及靠AI造字來賺錢的。

靠AI造字賺錢，提速10倍以上

首先來了解一下什么是字體生產？

傳統的字體生產流程，往往需要設計師用手寫的方式來完成整套字體的制作，（一套字體最多近3萬字）并且在初稿完成后，還需要人工團隊進行逐字校對。

因為純人工操作，這樣一套流程下來不僅周期長，往往需要一個季度。對于字體公司來說，這是一筆不小的成本支出。

與此同時，也正因為人工，單個字體字形質量風格等細節上不好把控。

對于設計公司來說，制作過程中的高成本，也導致了商用版權字體采買費用的高昂。

正是在同客戶交流時，圖形起源團隊發現了這一行業痛點，耗時數月打造了一套字體生產線。

這不是簡單應用一個大模型就能直接生成的。字體設計最大的區別在于它是矢量圖，可以無限放大而不失真。而目前AI生成的圖通常是位圖，有像素限制。

如何讓AI生成矢量圖，理解字體的錨點和矢量曲線的含義，成為核心的技術難點。

創始人史海天分享了他們的解決思路，整個流程分為四個階段：

首先，用一個傳統的Diffusion模型會生成位圖；

其次，用第二個超分辨率模型，把字體位圖的分辨率提到最高；

然后，用一種獨特的算法，讓AI能夠理解什么是“好的矢量設計”，設計第三個模型，以這種“好“的審美作為優化目標，用訓練后的模型把位圖轉化成矢量圖；

最后，訓練一個專門檢查錯別字和字形結構的模型。

除此之外，他們還計劃開發筆畫拆分模型。

基于這樣的模型，他們能實現人類所不能達到高效和高質量。

比如基于AI超分技術和AI矢量化，像各種筆畫、偏旁部首的邊緣細節處理，能禁得起任意放大維度，設計師能在海報等場景中使用。

客戶只需要完成前199個字的操作，AI就能在兩天內訓練并生成數萬字。并且也不限于簡體，像繁體字、生僻字，日文韓文拉丁這樣的多語種也OK。

在準確率上，簡單字形（筆畫<15）單次生成的平均生成錯字率小于1%，復雜字形（筆畫≥15）單次生成的平均生成錯字率小于5%，已經遠高于人工審校的準確度。

現在他們還打造了一個SaaS平臺，整個交付過程都可以在線上進行?？蛻裟茈S時查看進度，或自己完成全部生產過程，不用圖形起源的人工干預。

據透露，目前他們已經生成了346套字體，累計4680244個字。

來自圖形起源

圖形起源成立于2020年底，是由當時清華大學車輛學院畢業生史海天，讀碩士休學時候創辦。

在此之前，他們主要做3D創作引擎，并完成了三輪融資，受到像五源資本、真格基金等機構的青睞。當時他們的愿景是，希望在未來建立一個大眾化的3D內容創作工具，以及一個普通人愿意在其中生活的社交世界。

不過現在史海天回憶當時沒有找到很好的變現場景，如今大模型的到來，帶給他們全新的機遇。

當時他們花了很長時間和資金來驗證這件事情。史海天透露，他們當時訓了兩個大模型，一個用來識別，一個用來生成，訓練目標是AI生成的字體讓AI分辨不出。

不過這個行業的優點在于，字體數據是比較全的，比如一套字能喂給AI一半字，讓AI可以生成剩下一半字。

最后他們也實現了交付級別的生成效果，目前一周能完成超過40套字體的交付，相當于效率提升了幾百倍。

目前公司主要有兩個主營業務。

中文字庫擴寫，也就是客戶給參考字體文件，圖形起源AI先進行一波學習，然后生成風格統一的字形。

整個流程都是在SaaS平臺上進行，平臺上支持人工校對、二次學習、批量生成、人工二次篩選等工作，以進一步降低生成字體的錯字率。

跨語種風格遷移。顧名思義，就是根據任意語種任意字體，來生成同種風格的任意語種任意字形。

目前他們能夠穩定生成中日韓拉丁字母、希臘字母、西里爾字母，常見符號數字等，并且已經在小米應用商店有售賣。

而像藏文、阿拉伯文等小語種文字還在內測階段。

最后想說，雖然現在看各個大廠都在卷生產力場景，市場很卷。但是具體到各個細分場景下，大企業也許就沒有那么多的資金精力去投入。

那些場景看上去需求有限，但確實同樣也是強剛需，也能實現商業變現。比如字體，比如排版。

對于創業公司來說，就是個不錯的切入點。圖形起源就是一個。

如今大模型應用如火如荼，到底還是看能不能解決實際問題。這條真理已經是再明確不過了。